geti

少数据快训练，轻松搞定计算机视觉模型

geti 是英特尔推出的计算机视觉模型训练平台，旨在用更少的数据和更短的时间构建高性能视觉模型。它解决了传统深度学习模型开发中数据标注成本高、训练周期长、调参复杂等问题，提供从数据标注、模型训练到部署的全流程自动化能力。核心能力包括自动机器学习（AutoML）、增量学习（incremental learning）、图像分类与分割任务支持，以及直观的图形化界面。用户无需深厚的深度学习背景，即可通过上传少量标注数据，快速训练出可用于实际场景的模型。项目基于 Python 实现，深度集成 PyTorch 生态，支持模型导出与推理优化，适合工业质检、安防监控、农业监测等场景的快速原型验证与落地。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1338

维护状态活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队open-edge-platform

所属国家

官网地址https://docs.geti.intel.com

GitHubhttps://github.com/open-edge-platform/geti

定价模式free

价格说明开源项目，Apache-2.0许可，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型automl,computer-vision,deep-learning,geti,image-classification,image-segmentation,incremental-learning,machine-learning,neural-networks-compression,object-detection,openvino,pytorch,quantization,self-supervised-learning,semi-supervised-learning,transfer-learning

GitHub 星标★ 1338

30天Star增速

HF 下载量

上线时间2018-10-26 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数10

使用教程

难度：入门约 20 分钟部署方式：Docker 6 步

环境要求

Windows 系统（用于安装 MSIX 桌面应用）
Docker 环境（用于容器方式运行 Geti）
Python 环境及 uv 包管理器（用于安装 getitune 库）
Intel XPU 或 NVIDIA CUDA 显卡（可选，用于加速训练与推理）

安装与启动步骤

1选择运行方式

Geti 提供 Windows MSIX 应用、Docker 容器、安装脚本和源码构建四种方式，按需选择其一即可。
2安装 Windows 应用

按安装指南的 Windows App 章节下载并安装 MSIX 包，适合不熟悉命令行的用户。
3以 Docker 运行

按安装指南的 Run with Docker 章节拉取镜像并启动容器，注意显卡与加速器支持说明。
4安装 getitune 库

训练引擎已发布到 PyPI，默认 CPU 安装；需先准备好 Python 环境与 uv。
```
uv pip install getitune
```

5安装加速版引擎

需要 Intel XPU 或 NVIDIA CUDA 加速时，安装对应 extra 并附加 PyTorch 索引地址。

uv pip install "getitune[xpu]" --extra-index-url https://download.pytorch.org/whl/xpu
uv pip install "getitune[cuda]" --extra-index-url https://download.pytorch.org/whl/cu128

6训练与导出模型

在 Python 中创建引擎、查看可用模型，再用 export() 导出 OpenVINO IR 并 optimize() 做边缘优化。
```
from getitune.engine import create_engine
from getitune.utils import list_models
```

如何确认成功

应用启动后按界面引导训练第一个模型；库侧能正常 import getitune 且模型可完成导出即成功。

常见问题

Q：Geti 有哪几种安装方式？

A：有四种：Windows MSIX 应用、Docker 容器、安装脚本、从源码构建，详细前置条件见 application/docs/install.md。

Q：PyPI 上的 getitune 包含 YOLO 模型吗？

A：不包含。Ultralytics YOLO 采用 AGPL-3.0 许可，需从源码构建并启用 ultralytics extra 才能使用。

Q：如何启用 Intel XPU 或 CUDA 加速？

A：分别安装 getitune[xpu] 或 getitune[cuda]，并加上对应的 PyTorch 官方索引地址。

Q：旧版 Geti v2 在哪里？

A：v3.0 是重大重构版本，本仓库为最新 v3；旧版本保留在 geti_v2 仓库中。

Q：升级已有安装怎么办？

A：按 application/docs/upgrade.md 的升级指南操作，将现有 Geti 更新到新版本。

注意事项

README 未给出具体的 docker run 命令、镜像名与端口，请以 application/docs/install.md 官方安装指南为准。
getitune 默认仅 CPU，XPU/CUDA 需安装对应 extra 并附加 PyTorch 索引地址。
安装疑难问题可参考安装指南的 troubleshooting 章节。
新手建议先阅读官方教程 Train your first model 再上手训练。

核心亮点

支持增量学习，新数据上持续优化模型，减少重复训练成本
AutoML 自动调参，降低上手门槛，适合非专家用户
提供图形化界面，从标注到部署一站式完成

不足之处

文档/社区待观察
依赖英特尔硬件优化，非英特尔环境性能可能受限

适用场景

工业质检中的缺陷检测与分类
安防监控中的目标识别与分割
农业领域的作物病虫害图像识别

替代项目

MMDetection、Detectron2、H2O AutoML

项目介绍

geti 是计算机视觉领域的开源项目，由 open-edge-platform 开发，2018 年首次发布。

在全站 13,109 个收录项目中，它的 GitHub 星标数（1,338）位列前 30%，在计算机视觉分类中处于中上游。

近 42 天，它的 GitHub 星标从 1,284 增加到 1,338，净增 54。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。Apache-2.0许可，可免费使用和部署。

它主要面向的使用场景是：工业质检中的缺陷检测与分类。同类可对比的替代方案包括 MMDetection、Detectron2、H2O AutoML。

上一篇：ANTs

下一篇：caer